基于深度学习模型的mHealth应用ASHARE在工作场所促进身体活动和改善心理困扰的有效性与实施效果研究

为解决工作场所员工心理困扰和身体活动不足问题，研究人员开展了一项非随机对照试验，评估智能手机应用ASHARE（整合深度学习模型监测抑郁焦虑）与现有多组分工作场所计划的效果对比。结果显示两组身体活动均提升但无显著差异，而干预组心理困扰有所缓解（P=0.03，敏感性分析）。研究意义在于揭示mHealth应用实施中的管理者与员工认知差距，为优化职场数字健康干预提供实证依据。

　　

在当今职场环境中，心理困扰和身体活动不足已成为影响员工健康和生产力的双重挑战。全球约3亿工作者受焦虑或抑郁困扰，每年造成高达1万亿美元的经济损失。尽管世界卫生组织（WHO）推荐通过促进身体活动（Physical Activity, PA）改善心理健康，但传统干预措施面临覆盖面有限、成本高昂等问题。与此同时，移动健康（mHealth）技术虽展现出潜力，却普遍存在用户留存率低（日本医疗类应用30天留存率仅3.5%-4%）和心理健康改善效果不一致的困境。

为突破这些限制，日本某研究机构团队开发了基于深度学习模型的智能手机应用ASHARE。这款应用不仅整合了自我监测、数据反馈等行为改变技术，还创新性地通过长短期记忆（LSTM）网络，根据用户身体活动模式被动预测抑郁和焦虑水平（以Kessler Psychological Distress Scale, K6评分为指标）。研究团队在2023年10月至2024年9月期间，对7个工作单元的84名员工开展为期3个月的集群非随机对照试验，比较ASHARE应用与现有多组分工作场所计划的效果差异。

研究采用混合有效性-实施设计，关键技术包括：1）通过Global Physical Activity Questionnaire（GPAQ）和K6量表评估身体活动与心理困扰变化；2）利用云服务器记录应用使用日志计算用户留存率；3）采用数字心理健康实施结果量表（iOSDMH）评估员工和管理者对干预措施的接受度。

研究结果显示：在身体活动改善方面，两组均观察到MET-hours/week（代谢当量小时/周）增加，但组间差异无统计学意义（P=0.98）。值得注意的是，干预组心理困扰评分从基线3.87降至3.75，而对照组从4.18升至4.59，虽未达显著水平（P=0.36），但在坚持使用应用的亚组中（n=21），心理困扰改善具有统计学意义（系数=-3.68，P=0.03）。

实施效果分析揭示关键挑战：ASHARE的3个月用户留存率仅20%，显著低于对照组活动参与率（82%）。员工对应用的接受度（均值36.21）也低于传统项目（48.00），而健康管理者对两者的评价却相近。进一步分析发现，50岁以下专业技术人员更可能持续使用应用，而高龄文职人员流失率较高。用户反馈指出应用启动延迟、反馈信息泛化等问题。

讨论部分强调了三重意义：首先，研究证实整合深度学习模型的mHealth应用对特定人群（如基线心理困扰较重者）可能具有靶向改善效果；其次，揭示了职场数字健康干预中"管理者-员工认知鸿沟"这一关键实施障碍；最后，为优化应用设计指明方向，包括提升算法效率、增加游戏化元素等。这些发现为《JMIR mHealth and uHealth》读者提供了职场数字健康干预的实证框架，特别对亚洲工作人群的mHealth研究具有填补空白的作用。

研究同时指出局限性：样本量不足可能影响统计效力，非随机设计存在潜在偏倚。未来研究需通过集群随机试验验证结果，并探索针对不同员工亚群的差异化推广策略。这项研究为职场心理健康管理的数字化转型提供了重要启示——技术创新的价值不仅在于算法精度，更在于如何与组织行为学深度融合。